Comparison of Six Different Machine Learning Methods With Traditional Model for Low Anterior Resection Syndrome After Minimally Invasive Surgery for Rectal Cancer -- Development and External Validation of a Nomogram : A Dual-center Cohort Study

Rövid összefoglaló (regiszter, angolul)

Following thorough screening based on inclusion and exclusion criteria, patients from the two sizable medical centers were split up into two cohorts for this study. Cohort 1 served primarily as the training and internal validation set, while Cohort 2 was used for external validation of the predictive model constructed from Cohort 1. We used six distinct machine learning methodss, including DT, RF, XGBOOST, SVM, lightGBM, and SHLNN, in addition to conventional logistic regression to create the predictive model. We chose the approach with the best sensitivity and specificity by comparing the concordance index(C-index) akin to the area under the ROC curve (AUC) of these seven distinct model-building methods. The predictive model for Cohort 1 was then built using this method, and internal validation was finished. Lastly, Cohort 2 underwent external validation of the predictive model

Mit vállalsz

• Vizsgálat típusa: Megfigyeléses
• Bevont résztvevők: 3500
• 2015. ápr. 10. és az elsődleges befejezés (2023. okt. 7.) között
• Nincs megadott helyszín, ország nélkül
• Vizitek és vizsgálatok: kérdezd a vizsgálat csapatát, a regiszter nem sorolja fel őket

A(z) ClinicalTrials.gov regisztermezőiből összeállítva. A vizsgálat felépítését írja le.

Ki nem vehet részt

Szó szerint a(z) ClinicalTrials.gov forrásból, témák szerint csoportosítva. Hogy ki vehet részt, azt csak a vizsgálat csapata dönti el.

Kiket keres a vizsgálat

Nem: nők és férfiak

A teljes feltétellista: ClinicalTrials.gov